Couche sémantique et ontologie pour agents IA : le substrat qui les rend fiables

Un agent qui parle en direct à chaque base de données devine les jointures, confond les métriques et agit sur des hypothèses fausses. Une couche sémantique à base d'ontologie déplace le sens hors de l'agent. Voici l'architecture, et la manière dont QDNA la déploie sur un substrat serverless souverain, gouverné jusqu'au noyau.

Par QDNA · Publié le 23 juillet 2026 · 9 min de lecture

Couche sémantique et ontologie pour agents IA

Réponse courte. Une couche sémantique expose le sens du domaine au lieu des tables brutes. Une ontologie définit les entités, les relations et les règles ; un knowledge graph les relie ; les agents interrogent ce modèle plutôt que d'écrire des requêtes à l'aveugle. La complexité passe de M agents fois N sources à M plus N. QDNA ajoute deux choses à ce blueprint : l'enforcement au noyau par isolate avec eBPF, et un déploiement serverless dans vos murs.

Le problème : beaucoup d'agents, beaucoup de sources

Tant qu'une organisation aligne quelques agents sur quelques sources, chaque agent apprend les schémas et les règles de chaque source. Le nombre de couplages croît en M fois N. Chaque agent porte la connaissance des jointures, des définitions de métriques et des droits d'accès. Le jour où une définition change, il faut la corriger dans chaque agent.

Les modèles de langage aggravent le risque. Ils produisent un texte plausible, pas une réponse correcte sur un domaine structuré. Sans contexte explicite, un agent devine. Et quand un agent devine, il se trompe de jointure, interprète mal une métrique et agit sur une hypothèse fausse. Le cabinet Forrester résume la cause : une donnée sans sens reste inutilisable pour un système autonome.

Le substrat sémantique : ontologie plus knowledge graph

La réponse consiste à insérer une couche entre les agents et les données. Cette couche porte le sens. On la construit sur deux briques. Le knowledge graph stocke les faits sous forme d'entités reliées par des relations. L'ontologie porte la signification : ce qu'est un client, comment il se relie à un compte, quelles contraintes s'appliquent. Le graphe stocke, l'ontologie explique.

L'agent devient fin. Il raisonne sur des concepts et laisse au substrat les jointures, la résolution d'entités et les règles métier. La complexité repasse de M fois N à M plus N : chaque agent parle au substrat, chaque source se branche au substrat, et personne ne réapprend le travail des autres. La gouvernance et le contrôle d'accès vivent au même endroit, une seule fois pour tous les agents.

Architecture en couches : agents fins en isolates workerd, plan de contrôle avec passerelles MCP et LiteLLM, substrat sémantique avec ontologie et knowledge graph, sources de données, et socle eBPF d'enforcement in-kernel par isolate — Le substrat sémantique gouverne au niveau logique. Le socle eBPF l'applique au niveau du noyau, par isolate.

Cette architecture ne remplace pas votre entrepôt de données ni vos bases. Elle se pose au-dessus. Les sources restent en place, mais les agents ne les touchent plus en direct. La mémoire à trois couches se modélise dans le même graphe : mémoire épisodique pour l'historique, sémantique pour les faits, procédurale pour les tâches. Un seul appel de traversée rend les trois disponibles, sans service de mémoire externe. Le format Open Knowledge Format décrit ce contenu de façon portable et versionnable.

Comment une requête traverse la plateforme

Une requête en langage naturel arrive du client. L'agent l'interprète, planifie, mais n'écrit aucune requête SQL brute. Il appelle un outil gouverné à travers une passerelle. La passerelle applique la politique, le quota et l'identité, puis transmet au substrat. L'ontologie traduit l'intention en requête gouvernée, en Cypher ou en SQL, contre le knowledge graph. Le graphe lit la source ciblée. La réponse remonte, gouvernée et traçable : on sait quels concepts ont produit quel résultat.

Flux d'une requête : le client envoie une requête en langage naturel à l'agent isolate, qui appelle la passerelle MCP puis le substrat sémantique, lequel interroge la source, avec l'eBPF qui contrôle l'egress à chaque étape et une réponse gouvernée et traçable qui remonte — Le même flux, étape par étape. L'agent raisonne sur des concepts ; l'egress se contrôle au noyau à chaque saut.

Trois interfaces relient le graphe aux agents. Le protocole MCP expose des outils standardisés que l'agent appelle. Les langages de graphe, Cypher pour les graphes de propriétés et SPARQL pour les triplets, servent la requête structurée. Les API REST ou GraphQL couvrent le reste. La passerelle sert de point de contrôle unique. Notre fiche LiteLLM décrit la passerelle côté modèles, et la fiche routeur sémantique l'aiguillage des requêtes.

Gouverner deux fois : au sens et au noyau

La couche sémantique gouverne au niveau logique. Elle décide quels concepts un agent voit et quelles règles s'appliquent. Ce contrôle reste dans l'espace applicatif. Un agent compromis, ou un modèle qui déraille, cherche parfois à ouvrir une connexion sortante hors du cadre prévu. La gouvernance logique seule ne l'arrête pas au bon niveau.

La solution ajoute une seconde barrière au noyau, avec eBPF. Des programmes chargés dans le noyau surveillent les appels système et les flux réseau par isolate. Une politique bloque l'action avant qu'elle n'aboutisse, sans passer par un agent en espace utilisateur. Le projet Tetragon montre la voie : filtrage et blocage directement dans le noyau, corrélation entre processus et flux réseau, moins de un pour cent de surcoût. La règle d'exploitation reste prudente : on observe d'abord en mode audit, on ajuste les faux positifs, puis on active le blocage.

Le résultat combine deux garanties. Le substrat sémantique garantit que l'agent raisonne sur les bons concepts. Le socle eBPF garantit qu'aucun flux sortant ne quitte l'isolate sans autorisation. Cette double gouvernance, logique et physique, distingue une plateforme d'agents fiable d'une simple couche de contexte.

Un substrat serverless et souverain

Le knowledge graph n'exige pas un serveur dédié coûteux. Un objet durable héberge une base SQLite isolée, une par locataire ou une par agent. Une requête sur un graphe ne voit jamais les données d'un autre. Chaque agent s'exécute dans un isolate léger qui monte à la demande et retombe à zéro entre deux tâches. Dix mille agents actifs un pour cent du temps ne mobilisent qu'une centaine d'instances à un instant donné, là où un modèle à machines toujours allumées en réserverait dix mille.

Cette économie compte pour une charge d'agents, par nature intermittente et massivement parallèle. Elle se déploie sur votre matériel, dans vos datacenters ou dans des datacenters managés, sans dépendance à un service externe. Le passage d'un chatbot à une plateforme agentique repose sur ce socle, et notre guide sur le RAG en entreprise détaille l'accès aux documents à travers la même couche.

Couche sémantique de la BI, ou ontologie pour agents ?

Le terme couche sémantique vient de la décisionnelle. Un outil comme un moteur de métriques définit les indicateurs une fois, puis les sert à tous les tableaux de bord. C'est le même principe de découplage. Mais un agent a besoin de plus qu'une définition de métrique. Il a besoin du sens, des relations et des règles de raisonnement que porte l'ontologie.

Couche sémantique de BI	Ontologie et knowledge graph pour agents
Définit des métriques et des dimensions	Définit des entités, des relations et des règles
Sert des chiffres cohérents aux tableaux de bord	Sert un contexte de raisonnement aux agents
Interface SQL, REST, GraphQL	Interface MCP, Cypher, SPARQL, API
Répond à une question de mesure	Guide une décision et une action

Les deux se complètent. Une ontologie sans gouvernance de métriques laisse l'agent incapable de calculer juste. Une couche de métriques sans connaissance du domaine le laisse incapable de raisonner. Le substrat qui relie les deux est ce que QDNA installe et opère.

Questions fréquentes

Qu'est-ce qu'une couche sémantique pour agents IA ?

C'est une couche qui expose le sens du domaine, pas les tables brutes. Une ontologie définit les entités, les relations et les règles ; un knowledge graph les relie ; les agents interrogent ce modèle au lieu d'écrire des jointures. Le contexte, les règles métier et le contrôle d'accès vivent dans cette couche, une seule fois pour tous les agents.

Quelle différence entre ontologie et knowledge graph ?

Le knowledge graph porte les faits : des entités reliées par des relations. L'ontologie porte le sens : ce qu'est un client, comment il se relie à un compte, quelles contraintes s'appliquent. Le graphe stocke, l'ontologie explique. Un déploiement d'agents solide a besoin des deux, plus une gouvernance qui décide ce qui est accessible.

Pourquoi ajouter de l'eBPF à une plateforme d'agents ?

La couche sémantique gouverne au niveau logique : quels concepts, quelles règles. L'eBPF gouverne au niveau du noyau : quel isolate a le droit d'ouvrir quelle connexion sortante, quels appels système sont autorisés. Un agent qui sort du cadre est bloqué in-kernel, avant l'action, avec moins de un pour cent de surcoût. La gouvernance logique et l'enforcement physique se complètent.

Peut-on déployer ce substrat en serverless souverain ?

Oui. Un knowledge graph tient dans un objet durable avec sa propre base SQLite, isolé par locataire, servi comme une API globale. Les agents s'exécutent en isolates légers qui montent à la demande et retombent à zéro. L'ensemble se déploie sur votre matériel, dans vos murs, sans dépendance à un service géré externe.

Construire une plateforme d'agents gouvernée

Un échange pour cadrer votre substrat sémantique, le knowledge graph et l'enforcement, sur votre site.

Réserver un échange